多尺度卷积神经网络的图像边缘检测

在受图像拍摄条件、图像内容自身复杂性、图像内容与背景接近程度等多种因素的影响,图像的边缘线检测容易发生漏检、误检。因模型自身设计缺陷或训练样本中边缘像素点与非边缘像素点的不平衡原因,多数算法的图像边缘检测结果普遍存在线条粗、质量较低的问题。提出一种多尺度卷积神经网络模型,由三个分别接受一幅图像的不同尺度输入的子网络结构组成,分别在不同尺度视觉下学习图像的边缘知识。然后按尺度从粗到细对各尺度提取的知识特征进行融合,实现边缘轮廓检测。模型充分利用多尺度技术在图像处理领域的优势,同时引入了自注意力机制以提升卷积特征内部关联性的捕获能力。本文提出了一个新的损失函数,由交叉熵损失函数和L1范数组成,避免训练样本非均衡性对训练模型的影响。使用指标ODS、OIS、AP度量图像边缘检测的质量。在BIPED数据集上测试,三个指标的得分分别为0.845,0.856,0.886。在BSDS500数据集上测试,算法在F-measure指标上得分为0.826。实验结果表明,与其它学习型的算法相比,算法输出图像边缘结果漏检率更低、且质量更高。     

基于卷积神经网络的风机叶片损伤检测

作为捕获风能的关键部件,风机叶片受制造及运行载荷影响,可能存在不同程度的损伤,这会直接影响风机运行可靠性。为防止风机叶片持续损伤发生质量安全事故,需要开发1种快速简便且非植入安装式的检测方法来识别风机叶片的损伤情况。根据叶片损伤和叶片运行噪声间存在的物理相关性,提出了一种基于声学信号和卷积神经网络（convolutional neural network,CNN）的风机叶片损伤检测方法,将时序声学信号转换成二维频谱图片,结合健康频谱图生成残差频谱图,并通过训练卷积神经网络来识别风机叶片是否存在损伤。分析结果表明：该算法消除了叶轮旋转产生的固有叶片扫风声音对损伤识别的影响,提高了识别精度;以某地风机的实测数据为例进行算法分析,结果表明该算法的分类精度达到了96.9%,验证了基于卷积神经网络的检测方法的有效性和精确性。     

改进一维卷积神经网络的航空发动机故障诊断方法

针对现有航空发动机故障诊断的1DCNN方法缺乏故障频率多尺度特征提取能力以及对原始振动信号时域特征提取不足的问题,通过融合内嵌多尺度层到双通道1DCNN提出了改进1DCNN的航空发动故障诊断方法。提出了幅值变化速率的方法对振动信号进行时域特征增强,在单通道1DCNN基础上增加幅值变化通道作为第二通道,构建双通道1DCNN,加强1DCNN的时域特征提取能力,再改进多尺度模块为内嵌多尺度层并应用于1DCNN的第一通道,针对航空发动机故障频率域的多尺度特征进行提取。最后将改进1DCNN应用于航空发动机转静碰摩、叶片断裂等故障的诊断,通过对比实验证明了改进1DCNN检测的优越性、抗噪性、泛化性以及改进点的可行性。     

基于多尺度卷积神经网络的动车组电缆终端故障诊断研究

为对动车组电缆典型故障进行高效、准确评估,提出了一种基于多尺度卷积神经网络的诊断方法.首先人工制作含四种典型缺陷的动车组电缆试样,对其进行局部放电测试,并将采集的局部放电信号去噪;然后将去噪后的局部放电信号导入多尺度卷积神经网络进行深度特征学习;最后通过softmax分类器对电缆故障进行评估.结果 表明,针对四种典型的...     

多尺度卷积的时频域语音分离方法研究

在进行混合语音分离时,信号时域特征的深度学习语音分离性能优于频域特征。但目前时域特征的语音分离方法在真实噪声环境下的鲁棒性较差,且单一时域特征对分离模型的性能存在局限性。因此,提出一种基于Conv-TasNet网络的多特征语音分离方法,融合频域特征与时域特征,提高数据的多维信息。为了进一步提高分离网络性能,引入多尺度卷积块,提高网络对特征的提取能力。在包含真实噪声的实验环境下,所提方法与Conv-TasNet模型和最新的时频域融合语音分离基线模型相比,性能分别提高了0.91和0.52 dB,有效提升了语音分离的性能及鲁棒性。     

多尺度残差网络模型的研究及其应用

针对传统的卷积神经网络不能充分利用图像的多尺度信息,以及网络层数的增加导致优化参数增加的问题。提出多尺度残差网络模型通过多尺度跨通道的卷积融合提高图像的特征表征能力;然后把大的卷积核分解成小的非对称卷积核降低网络的参数计算;接着利用残差网络原理来降低深层网络的梯度消失问题;最后将提出的多尺度卷积模块嵌入到Lenet网络中。在Mnist数据集上的测试结果证明分类准确率比原始Lenet网络提高了0. 24%,在LFW数据集上的测试结果表明分类准确率优于Deep Face、Web Face等传统算法。     

基于卷积神经网络的多源局部放电模式识别

为验证开关柜多源局部放电直接分类的可行性,设计了四种典型局部放电模型,采集单局部放电源和双局部放电源信号,并绘制PRPD图谱作为数据集,利用卷积神经网络(CNN)模型进行模式识别。实验以经典模型的性能作为参考,再对表现较好的模型进行优化,得到最终模型。实验结果表明,优化后的模型准确率均超过98.5%,且训练时长较经典模型明显减少,适用于多源局部放电模式识别。     

便携式睡眠呼吸暂停低通气监测仪的设计

针对临床上睡眠呼吸暂停综合症患者早期诊断的需求,设计了一种睡眠呼吸暂停低通气监测仪.该仪器硬件部分以MSP430单片机为控制核心,采用压力传感器采集人的呼吸信号,通过红光和红外光照射入的手指等部位采集脉搏波信号;软件部分以VC++ 6.0为开发平台,设计了与监测仪配套的处理软件,实现了对数据的处理和结果的显示.经初步实...     

基于一维卷积神经网络的癫痫发作检测

癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。癫痫脑电信号复杂多样,人工检测癫痫信号耗时耗力,误判率高,不同的医务人员检测出来的结果也不相同,而且临床的原始脑电数据经常会包含多种噪音和生理伪迹,干扰癫痫检测性能。因此,非常有必要进一步研究高效可靠的癫痫自动检测技术,从而减轻医护人员负担。本文针对来自中国301医院收集的临床原始脑电数据进行分析训练,引入了一种基于一维卷积神经网络具有连续双层卷积结构的模型,可以高效稳定地检测到癫痫信号。结果为灵敏度、特异性、准确率和F1-score分别达到96.8%、99.8%、99.6%和96.1%,而且利用GPU进行模型训练的运行时间比对比模型低2到3倍。结果表明,本文引入的基于一维卷积神经网络模型优于现有方法,在癫痫检测性能上高效稳定,对癫痫的辅助诊断具有重要意义。     

基于忆阻器卷积神经网络的表情识别

忆阻器具有纳米级尺寸、低功耗、类似神经突触等优点,在神经计算、图像分类等领域具有广阔的应用前景。本文提出了一种基于忆阻器卷积神经网络的面部表情识别方法,首先基于忆阻器构建了ResNet卷积神经网络,并对ResNet网络进行剪枝操作,然后将ResNet模型的所有卷积层以及全连接层的权重映射为忆阻器十字交叉阵列中忆阻器的忆导值。实验结果显示忆阻器卷积神经网络模型在FER2013数据集上的识别准确率为63.82%,在CK+数据集上的识别准确率为93.95%。相比与原卷积网路,准确率损失仅分别为0.31%和0.76%。最后测试了忆阻器的非理想特性对准确率的影响,为忆阻器神经网络的实际部署提供参考。     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

一维卷积神经网络超宽带天线建模方法

为加快天线建模优化速度,提出了一种改进的一维卷积神经网络(1D-MCNN)模型。此一维神经网络的卷积核大小为2,将ReLU函数作为激活函数降低梯度弥散;利用Adam优化器与dropout技术结合,提高模型的特征学习能力和非线性函数逼近能力。本文使用1D-MCNN模型对超宽带微带单极子天线几何参数建模,以天线的8个几何参数作为特征输入,对天线的回波损耗值进行预测。实验表明,本文所提1D-MCNN模型与深层MLP网络模型、MLP网络模型、RBF神经网络模型相比,回波损耗值的平均误差分别减小了1.95%,120.27%,125.71%,拥有更高的准确度,预测能力更强,对优化超宽带天线建模可行且性能具有一定优越性。     

基于SoC的卷积神经网络系统设计

近些年，卷积神经网络（CNN）出色地完成了许多机器视觉任务。但现有的软件实施方案无法很好地在便携式设备中实现，为此设计一种基于Xilinx 全可编程SoC的CNN系统，在固定资源的SoC平台下，只需较少资源即可实现快速的检测系统。系统实现多级流水线和输入数据复用的方法提高计算效率。系统硬件部分实现CNN计算，软件实现图片预处理及图片检测后处理，从而提高运行效率，系统可实现多种卷核的卷积操作，平均值池化，非极大值抑制抑制算法，实现图片中多人脸的准确定位。实验结果表明，在100 MHz的工作频率下，系统的平均计算速率为0.19 Gops/s，功耗仅为通用CPU的4.07%。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于卷积神经网络和心电QRS波群的身份识别

利用生物特征进行身份识别是目前模式识别领域的研究热点之一,由于人体的心电信号较为稳定且容易获取,因此利用心电进行身份识别得到了广泛的关注。传统基于心电的身份识别算法需要预先提取特征,然后进行模式识别,处理流程比较复杂,且容易受到噪声的影响。考虑心电QRS波群具有相对稳定的特点,利用QRS波群进行身份识别。首先对心电信号进行小波阈值降噪,然后提取QRS波群,将其转换为二值图,最后输入到卷积神经网络进行身份识别。通过几种不同超参数的卷积神经网络的计算比较,发现本文所述方法的最高准确率可达98.2%。此外,也对比了其他典型心电身份识别方法,结果表明,所述方法的识别准确率高于其他算法。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

面向铁路货车车号定位的 Faster R-CNN卷积神经网络

为了解决传统算法对于铁路货运列车车号识别准确率不高问题,提出了一种面向铁路货车车号定位的 Faster R-CNN 神 经网络。 通过调整特征提取网络的相关尺寸参数及连接方式增强了最后一层卷积特征图的细节特征。 并采用 k-means++聚类 算法求取车号区域长宽比改进 anchor 尺寸设计,使目标检测框与实际车号区域更加贴合。 实验过程中,采用了数据增广、 dropout 方法提升网络的鲁棒性。 结果显示,改进 Faster R-CNN 网络在铁路货车车号定位精度达到了 93. 15%,召回率 90. 76%, 综合 F1 指标 91. 94%,也说明该方法能够对铁路货车车号准确定位,并为车号识别过程提供可靠的数据支持。